[發明專利]一種基于優化U-net網絡模型的MRI腦腫瘤圖像分割方法

在審

• 申請號: 201810835922.2
• 申請日: 2018-07-26
• 公開（公告）號: CN109087318A
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 孝大宇;張淑蕾;王超;高殿宇;康雁
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06N3/04
• 代理公司: 北京易捷勝知識產權代理事務所(普通合伙) 11613
• 代理人: 韓國勝

本發明涉及一種基于優化U?net網絡模型的MRI腦腫瘤圖像分割方法，所述方法包括：101、對獲取的多模態MRI腦腫瘤圖像數據進行預處理；102、將經過預處理的多模態MRI腦腫瘤圖像數據輸入訓練好的U?net網絡模型中；103、獲取U?net網絡模型輸出的多模態MRI腦腫瘤圖像分割數據；其中，所述U?net網絡模型輸出的多模態MRI腦腫瘤圖像分割數據能夠保留圖像邊緣信息，以生成完整的分割圖像特征圖。本發明提供的圖像分割方法，不僅能夠保留圖像邊緣信息，生成完整的特征圖，而且還能夠提高圖像分割的準確率。

技術領域

本發明屬于腦腫瘤圖像分割技術領域，具體涉及一種基于優化U-net網絡模型的MRI腦腫瘤圖像分割方法。

背景技術

腦部病灶局部分割對于腦腫瘤的醫學診斷，手術規劃和疾病發展預測至關重要。深度神經網絡已被證明是在醫學圖像分割方面非常有前景的算法。深度學習算法無需手動指定目標特征，網絡能夠自己從逐漸加深的卷積層中學習數據特征，能夠較好的從復雜的MRI圖像腦腫瘤數據中提取特征。U-net網絡在細胞結構圖像分割中取得了良好效果，然而在使用細胞結構圖像對U-net網絡進行訓練之后，測試數據進行測試之后發現邊緣有部分區域的分割結果與金標準相差很大，直接影響了分割的準確率。本發明使用有Padding的卷積對U-net網絡進行有效地改進，使用預處理方法生成的細胞結構圖訓練集預訓練新的網絡模型，再經過MRI腦腫瘤圖像訓練集進行微調，網絡的收斂速度和分割準確率明顯提高。

腦腫瘤作為常見神經系統疾病之一，并以其較高的發病率越來越受到人們的關注。據國內外數據顯示，國內腦腫瘤的發病率約為1.34人/10萬人，國外約為9-10人/10萬人。超過50％的腦腫瘤為惡性腫瘤(其中膠質瘤占首位)。顱內腫瘤無論其性質是良性還是惡性，都會在顱內膨脹生長，占據太多的顱內空間，擠壓其他顱內組織，使顱內壓升高，對中樞神經造成傷害，嚴重時對患者生命造成威脅，對人類健康危害巨大。

在腫瘤的的診斷及治療過程中，斷層掃描技術(Computed Tomography，CT)與核磁共振成像(Magnetic Resonance Imaging，MRI)是目前在臨床應用中使用最多醫學成像技術。使用合理有效的影像獲取手段如CT、MRI等來獲得更多詳盡準確的腦腫瘤病變腦組織與正常腦組織和發病部位的影像學信息為多變、無統一標準的腦腫瘤治療方案提供客觀的影像依據，能夠快速有效地對醫學影像進行分割，提取影像中的感興趣特征，備受臨床醫師和醫學影像輔助診斷技術開發者的關注，同時精確有效的分割出腦腫瘤感興趣區域(Regionof Interest，ROI)，獲取能夠對診斷、治療起到決定性作用的影像信息可以有效的幫助醫師進行腦腫瘤診斷也是醫學輔助診斷的關鍵環節。因此，腦腫瘤的精確分割具有巨大的臨床應用價值。

在腦腫瘤治療計劃和定量評估的一個主要挑戰是腦腫瘤病灶局部分割。從上世紀70年代到80年代開始，隨著臨床應用和科學研究的逐漸推進，許多研究人員對MRI腦腫瘤圖像處理尤其是MRI腦圖像分割傾注了大量的精力和汗水，不斷改進和提出新的研究思想和分割算法，取得了滿足應用和研究所需的分割效果。但是從總體來看，由于腦腫瘤結構和臨床應用中采集到的腦腫瘤影像信息的復雜性，為了識別腦腫瘤及其周圍的其他組織，需要獲得多種模態下的圖像進行相互比較進行MRI腦腫瘤圖像及其周圍其他組織的識別與分割。因此，每種算法都存在一定的局限性，不能完全適應于任何條件下的MRI腦腫瘤圖像，導致MRI腦腫瘤圖像分割和其他醫學圖像分割有很大的不同之處。

多年來，許多科學研究和臨床應用試圖使MRI腦腫瘤分割自動化。深度學習算法是多層次的表示學習方法，它能夠讓機器在原始數據的基礎上自動提取表征數據的特征，對數據進行分類。深度神經網絡已被證明是在醫學圖像分割方面非常有前景的算法，而且神經網絡在腦腫瘤和病變分割中的應用逐漸增加。

應用U-net網絡進行圖像分割相比于傳統分割算法有訓練速度快、所需樣本少，更具推廣性的優點，其中U-net網絡的結構圖如圖1所示。